【導(dǎo)讀】includeultra-sound,electronmicroscopy,andputer-generatedimages.applications.vision.

　　

【正文】 在初創(chuàng)人之間并沒有一致的看法。 有時用處理的輸入和輸出內(nèi)容都是圖像這一特點(diǎn)來界定圖像處理的范圍。我們認(rèn)為這一定義僅是人為界定和限制。例如，在這個定義下，甚至最普通的計(jì)算一幅圖像灰度平均值的工作都不能算做是圖像處理。另一方面，有些領(lǐng)域（如計(jì)算機(jī)視覺）研究的最高目標(biāo)是用計(jì)算機(jī)去模擬人類視覺，包括理解和推理并根據(jù)視覺輸入采取行動等。這一領(lǐng)域本身是人工智能的分支，其目的是模仿人類智能。人工智能領(lǐng)域處在其發(fā)展過程中的初期階段，它的發(fā)展比預(yù)期的要慢的多，圖像分析（也稱為圖像理解）領(lǐng)域則處在圖像處理和計(jì)算機(jī)視覺兩個學(xué)科之間。 從圖像處理到計(jì)算機(jī)視覺這個 連續(xù)的統(tǒng)一體內(nèi)并沒有明確的界線。然而，在這個連續(xù)的統(tǒng)一體中可以考慮三種典型的計(jì)算處理（即低級、中級和高級處理）來區(qū)分其中的各個學(xué)科。 低級處理涉及初級操作，如降低噪聲的圖像預(yù)處理，對比度增強(qiáng)和圖像尖銳化。低級處理是以輸入、輸出都是圖像為特點(diǎn)的處理。中級處理涉及分割（把圖像分為不同區(qū)域或目標(biāo)物）以及縮減對目標(biāo)物的描述，以使其更適合計(jì)算機(jī)處理及對不同目標(biāo)的分類（識別）。中級圖像處理是以輸入為圖像，但輸出是從這些圖像中提取的特征（如邊緣、輪廓及不同物體的標(biāo)識等）為特點(diǎn)的。最后，高級處理涉及在圖像分析中被識別物體的 總體理解，以及執(zhí)行與視覺相關(guān)的識別函數(shù)（處在連續(xù)統(tǒng)一體邊緣）等。 根據(jù)上述討論，我們看到，圖像處理和圖像分析兩個領(lǐng)域合乎邏輯的重疊區(qū)域是圖像中特定區(qū)域或物體的識別這一領(lǐng)域。這樣，在研究中，我們界定數(shù)字圖像處理包括輸入和輸出均是圖像的處理，同時也包括從圖像中提取特征及識別特定物體的處理。舉一個簡單的文本自動分析方面的例子來具體說明這一概念。在自動分析文本時首先獲取一幅包含文本的圖像，對該圖像進(jìn)行預(yù)處理，提取（分割）字符，然后以適合計(jì)算機(jī)處理的形式描述這些字符，最后識別這些字符，而所有這些操作都在本文界定的數(shù)字圖像處理的范圍內(nèi)。理解一頁的內(nèi)容可能要根據(jù)理解的復(fù)雜度從圖像分析或計(jì)算機(jī)視覺領(lǐng)域考慮問題。這樣，我們定義的數(shù)字圖像處理的概念將在有特殊社會和經(jīng)濟(jì)價(jià)值的領(lǐng)域內(nèi)通用。 數(shù)字圖像處理的應(yīng)用領(lǐng)域多種多樣，所以文本在內(nèi)容組織上盡量達(dá)到該技術(shù)應(yīng)用領(lǐng)域的廣度。闡述數(shù)字圖像處理應(yīng)用范圍最簡單的一種方法是根據(jù)信息源來分類（如可見光、 X 射線，等等）。在今天的應(yīng)用中，最主要的圖像源是電磁能譜，其他主要的能源包括聲波、超聲波和電子（以用于電子顯微鏡方法的電子束形式）。建模和可視化應(yīng)用中的合成圖像由計(jì)算機(jī)產(chǎn)生。 建立在電磁波譜輻射基 礎(chǔ)上的圖像是最熟悉的，特別是 X 射線和可見光譜圖像。電磁波可定義為以各種波長傳播的正弦波，或者認(rèn)為是一種粒子流，每個粒子包含一定（一束）能量，每束能量成為一個光子。如果光譜波段根據(jù)光譜能量進(jìn)行分組，我們會得到下圖 1 所示的伽馬射線（最高能量）到無線電波（最低能量）的光譜。如圖所示的加底紋的條帶表達(dá)了這樣一個事實(shí)，即電磁波譜的各波段間并沒有明確的界線，而是由一個波段平滑地過渡到另一個波段。 圖像獲取是第一步處理。注意到獲取與給出一幅數(shù)字形式的圖像一樣簡單。通常，圖像獲取包括如設(shè)置比例尺等預(yù)處理。 圖像增強(qiáng)是 數(shù)字圖像處理最簡單和最有吸引力的領(lǐng)域。基本上，增強(qiáng)技術(shù)后面的思路是顯現(xiàn)那些被模糊了的細(xì)節(jié)，或簡單地突出一幅圖像中感興趣的特征。一個圖像增強(qiáng)的例子是增強(qiáng)圖像的對比度，使其看起來好一些。應(yīng)記住，增強(qiáng)是圖像處理中非常主觀的領(lǐng)域，這一點(diǎn)很重要。 圖像復(fù)原也是改進(jìn)圖像外貌的一個處理領(lǐng)域。然而，不像增強(qiáng)，圖像增強(qiáng)是主觀的，而圖像復(fù)原是客觀的。在某種意義上說，復(fù)原技術(shù)傾向于以圖像退化的數(shù)學(xué)或概率模型為基礎(chǔ)。另一方面，增強(qiáng)以怎樣構(gòu)成好的增強(qiáng)效果這種人的主觀偏愛為基礎(chǔ)。 彩色圖像處理已經(jīng)成為一個重要領(lǐng)域，因?yàn)榛诨ヂ?lián)網(wǎng)的圖像 處理應(yīng)用在不斷增長。就使得在彩色模型、數(shù)字域的彩色處理方面涵蓋了大量基本概念。在后續(xù)發(fā)展，彩色還是圖像中感興趣特征被提取的基礎(chǔ)。 小波是在各種分辨率下描述圖像的基礎(chǔ)。特別是在應(yīng)用中，這些理論被用于圖像數(shù)據(jù)壓縮及金字塔描述方法。在這里，圖像被成功地細(xì)分為較小的區(qū)域。 壓縮，正如其名稱所指的意思，所涉及的技術(shù)是減少圖像的存儲量，或者在傳輸圖像時降低頻帶。雖然存儲技術(shù)在過去的十年內(nèi)有了很大改進(jìn)，但對傳輸能力我們還不能這樣說，尤其在互聯(lián)網(wǎng)上更是如此，互聯(lián)網(wǎng)是以大量的圖片內(nèi)容為特征的。圖像壓縮技術(shù)對應(yīng)的圖像文件擴(kuò)展名 對大多數(shù)計(jì)算機(jī)用戶是很熟悉的（也許沒注意），如 JPG 文件擴(kuò)展名用于 JPEG（聯(lián)合圖片專家組）圖像壓縮標(biāo)準(zhǔn)。 形態(tài)學(xué)處理設(shè)計(jì)提取圖像元素的工具，它在表現(xiàn)和描述形狀方面非常有用。這一章的材料將從輸出圖像處理到輸出圖像特征處理的轉(zhuǎn)換開始。 分割過程將一幅圖像劃分為組成部分或目標(biāo)物。通常，自主分割是數(shù)字圖像處理中最為困難的任務(wù)之一。復(fù)雜的分割過程導(dǎo)致成功解決要求物體被分別識別出來的成像問題需要大量處理工作。另一方面，不健壯且不穩(wěn)定的分割算法幾乎總是會導(dǎo)致最終失敗。通常，分割越準(zhǔn)確，識別越成功。 表示和描述幾乎總是跟 隨在分割步驟的輸后邊，通常這一輸出是未加工的數(shù)據(jù)，其構(gòu)成不是區(qū)域的邊緣（區(qū)分一個圖像區(qū)域和另一個區(qū)域的像素集）就是其區(qū)域本身的所有點(diǎn)。無論哪種情況，把數(shù)據(jù)轉(zhuǎn)換成適合計(jì)算機(jī)處理的形式都是必要的。首先，必須確定數(shù)據(jù)是應(yīng)該被表現(xiàn)為邊界還是整個區(qū)域。當(dāng)注意的焦點(diǎn)是外部形狀特性（如拐角和曲線）時，則邊界表示是合適的。當(dāng)注意的焦點(diǎn)是內(nèi)部特性（如紋理或骨骼形狀）時，則區(qū)域表示是合適的。則某些應(yīng)用中，這些表示方法是互補(bǔ)的。選擇一種表現(xiàn)方式僅是解決把原始數(shù)據(jù)轉(zhuǎn)換為適合計(jì)算機(jī)后續(xù)處理的形式的一部分。為了描述數(shù)據(jù)以使感興趣的特征 更明顯，還必須確定一種方法。描述也叫特征選擇，涉及提取特征，該特征是某些感興趣的定量信息或是區(qū)分一組目標(biāo)與其他目標(biāo)的基礎(chǔ)。 識別是基于目標(biāo)的描述給目標(biāo)賦以符號的過程。如上文詳細(xì)討論的那樣，我們用識別個別目標(biāo)方法的開發(fā)推出數(shù)字圖像處理的覆蓋范圍。 到目前為止，還沒有談到上面圖 2 中關(guān)于先驗(yàn)知識及知識庫與處理模塊之間的交互這部分內(nèi)容。關(guān)于問題域的知識以知識庫的形式被編碼裝入一個圖像處理系統(tǒng)。這一知識可能如圖像細(xì)節(jié)區(qū)域那樣簡單，在這里，感興趣的信息被定位，這樣，限制性的搜索就被引導(dǎo)到尋找的信息處。知識庫也可能相當(dāng)復(fù) 雜，如材料檢測問題中所有主要缺陷的相關(guān)列表或者圖像 數(shù)據(jù)庫（該庫包含變化檢測應(yīng)用相關(guān)區(qū)域的高分辨率衛(wèi)星圖像）。除了引導(dǎo)每一個處理模塊的操作，知識庫還要控制模塊間的交互。這一特性上面圖2中的處理模塊和知識庫間用雙箭頭表示。相反單頭箭頭連接處理模塊。 邊緣檢測 邊緣檢測是 圖像處理 和 計(jì)算機(jī)視覺 中的術(shù)語，尤其在特征檢測和特征抽取領(lǐng)域，是一種用來識別數(shù)字圖像亮度驟變點(diǎn)即不連續(xù)點(diǎn)的算法。盡管在任何關(guān)于分割的討論中，點(diǎn)和線檢測都是很重要的，但是邊緣檢測對于灰度級間斷的檢測是最為普遍的檢測方法。 雖然某些文獻(xiàn)提過理想的邊緣檢測步驟，但自然界圖像的邊緣并不總是理想的階梯邊緣。相反，它們通常受到一個或多個下面所列因素的影響： 場景深度 帶來的聚焦模糊； 半影模糊 ； 陰影 ； 鏡面反射 或者 漫反射 。 一個典型的邊界可能是（例如）一塊紅色和一塊黃色之間的邊界；與之相反的是 邊線 ，可能是在另外一種不變的背景上的少數(shù)不同顏色的點(diǎn)。在邊線的每一邊都有一個邊緣。 在對數(shù)字圖像的 處理中，邊緣檢測是一項(xiàng)非常重要的工作。如果將邊緣認(rèn)為是一定數(shù)量點(diǎn)亮度發(fā)生變化的地方，那么邊緣檢測大體上就是計(jì)算這個亮度變化的導(dǎo)數(shù)。為簡化起見，我們可以先在一維空間分析邊緣檢測。在這個例子中，我們的數(shù)據(jù)是一行不同點(diǎn)亮度的數(shù)據(jù)。例如，在下面的 1維數(shù)據(jù)中我們可以直觀地說在第 4 與第 5 個點(diǎn)之間有一個邊界： 5 7 6 4 152 148 149 如果光強(qiáng)度差別比第四個和第五個點(diǎn)之間小，或者說相鄰的像素點(diǎn)之間光強(qiáng)度差更高，就不能簡單地說相應(yīng)區(qū)域存在邊緣。而且，甚至可以認(rèn)為這個例子中存在多個 邊緣。除非場景中的物體非常簡單并且照明條件得到了很好的控制，否則確定一個用來判斷兩個相鄰點(diǎn)之間有多大的亮度變化才算是有邊界的閾值，并不是一件容易的事。實(shí)際上，這也是為什么邊緣檢測不是一個簡單問題的原因之一。 有許多用于邊緣檢測的方法，它們大致可分為兩類：基于搜索和基于零交叉 .基于搜索的邊緣檢測方法首先計(jì)算邊緣強(qiáng)度，通常用一階導(dǎo)數(shù)表 示，例如 梯度 模；然后，用計(jì)算估計(jì)邊緣的局部方向，通常采用梯度的方向，并利用此方向找到局部梯度模的最大值。基于零交叉的方法找到由圖像得到的二階導(dǎo)數(shù)的零交叉點(diǎn)來定位邊緣。通常用 拉普拉斯算子 或 非線性微分方程 的零交叉點(diǎn)，我們將在后面的小節(jié)中描述 .濾波 做為邊緣檢測的預(yù)處理通常是必要的，通常采用 高斯濾波 。 已發(fā)表的邊緣檢測方法應(yīng)用計(jì)算邊界強(qiáng)度的度量， 這與平滑濾波有本質(zhì)的不同 . 正如許多邊緣檢測方法依賴于圖像梯度的計(jì)算， 他們用不同種類的濾波器來估計(jì) x方向和 y方向的梯度 . 一旦我們計(jì)算出導(dǎo)數(shù)之后，下一步要做的就是給出一個閾值來確定哪里 是邊緣位置。閾值越低，能夠檢測出的邊線越多，結(jié)果也就越容易受到圖片噪聲 的影響，并且越容易從圖像中挑出不相關(guān)的特性。與此相反，一個高的閾值將會遺失細(xì)的或者短的線段。 如果邊緣閾值應(yīng)用于正確的的梯度幅度圖像，生成的邊緣一般會較厚，某些形式的邊緣變薄處理是必要的。然而非最大抑制的邊緣檢測 ，邊緣曲線的定義十分模糊，邊緣像素可能成為邊緣多邊形通過一個邊緣連接（邊緣跟蹤）的過程。在一個離散矩陣中，非最大抑制階梯能夠通過一種方法來實(shí)現(xiàn)，首先預(yù)測一階導(dǎo)數(shù)方向、然后把它近似到 45度的倍數(shù)、最后在預(yù)測的梯度方向比較梯度幅度。 一個常用的這種方法是帶有 滯后作用 的 閾值選擇 。這個方法使用不同的閾值去尋找邊緣。首先使用一個閾值上限去尋找邊線開始的地方。一旦找到了一個開始點(diǎn)，我們在圖像上逐點(diǎn)跟蹤邊緣路徑，當(dāng)大于門檻下限時一直紀(jì)錄邊緣位置，直到數(shù)值小于下限之后才停止紀(jì)錄。這種方法假設(shè)邊緣是連續(xù)的界線，并且我們能夠跟蹤前面所看到的邊緣的 模糊部分，而不會將圖像中的噪聲點(diǎn)標(biāo)記為邊緣。 但是，我們 仍然存在 選擇適當(dāng)?shù)拈撝祬?shù) 的問題 ， 而且不同圖像的 閾值 差別也很大 。 其它一些邊緣檢測操作是基于亮度的二階導(dǎo)數(shù)。這實(shí)質(zhì)上是亮度梯度的 變化率 。在理想的連續(xù)變化情況下，在二階導(dǎo)數(shù)中檢測過零點(diǎn)將得到梯度中的局部最大值。另一 方面，二階導(dǎo)數(shù)中的峰值檢測是邊線檢測，只要圖像操作使用一個合適的尺度表示。如上所述，邊線是雙重邊緣，這樣我們就可以在邊線的一邊看到一個亮度梯度，而在另一邊看到相反的梯度。這樣如果圖像中有邊線出現(xiàn)的話我們就能在亮度梯度上看到非常大的變 化。為了找到這些邊線，我們可以在圖像亮度梯度的二階導(dǎo)數(shù)中尋找過零點(diǎn)。 總之，為了對有意義的邊緣點(diǎn)進(jìn)行分類，與這個點(diǎn)相聯(lián)系的灰度級變換必須比在這一點(diǎn)的背景上變換更為有效。由于我們用局部計(jì)算進(jìn)行處理，決定一個值是否有效的選擇方法就是使用門限。因此，如果一個點(diǎn)的二維一階導(dǎo)數(shù)比指定的門限 大，我們就定義圖像中的此點(diǎn)是一個邊緣點(diǎn)。術(shù)語“邊緣線段”一般在邊緣與圖像的尺寸比起來很短時才使用。分割的關(guān)鍵問題是如何將邊緣線段組合成更長的邊緣。如果我們選擇使用二階導(dǎo)數(shù)，則另一個可用的定義是將圖像中的邊緣點(diǎn)定義為它的二階導(dǎo)數(shù)的零交叉點(diǎn)。此時，邊緣的定義同上面講過的定義是一樣的。應(yīng)注意，這些定義并不能保證在一幅圖像中成功地找到邊緣，它們只是給了我們一個尋找邊緣的形式體系。圖像中的一階導(dǎo)數(shù)用梯度計(jì)算，二階導(dǎo)數(shù)使用拉普拉斯算子得到。